盒形件智能化拉深压边力控制规律的研究和实时预测

论文摘要

板材成形是金属塑性加工领域的一大分支,在汽车、航空、仪表等工业领域占有重要的地位,其技术水平在某种程度上反映了一个国家或地区的工业现代化水平。板材成形自动化由于不具备实时监测、识别、预测的能力,只能按照预先设定好的加工程序和工艺参数完成成形过程,当被加工对象的材质及工况条件变化或波动时,不能对工艺参数自动地进行相应的调整。板材成形智能化,由实时监测、实时识别、实时预测和实时控制四个基本要素构成,通过控制科学、计算机科学与板材成形理论的有机结合,根据被加工对象的特点,利用易于监测的物理量,实时确定材料性能参数及最优的工艺参数,并自动以最优工艺参数完成板材成形过程。板材成形智能化过程是冲压成形过程自动化及柔性加工系统等新技术的更高级阶段,不但可以改变冲压生产工艺的面貌,而且还将促进冲压设备的变革,同时也会引起板材成形理论的进步与分析精度的提高,在降低板材级别,消除模具与设备调整的技术难度,缩短调模试模时间,提高成品率和生产率等方面都具有十分明显的意义。在工程实践中,工件多为以盒形件为典型代表的非轴对称复杂形状。因此,研究盒形件拉深过程智能化控制技术具有较高的学术价值和工程实际意义。本文在圆锥形零件拉深成形智能化控制的研究成果基础上,分析了非轴对称件拉深智能化需要解决的关键技术,并对其中的预测模型和实时控制等方面的相关问题展开了系统研究。在非轴对称件拉深智能化控制所要求的四个基本要素中,参数识别模型和最优工艺参数预测模型的建立都是基于对盒形件成形规律的认识程度基础上的。有限元分析的手段作为必备的研究方法在论文中得到了充分的运用。本文引入了C-B准则并根据实验结果作出两点假设,结合有限元方法研究了法兰的皱曲临界条件;通过对前人成形极限图的研究结果综合分析,结合有限元的方法研究了破裂的临界条件。这样可以找到一个压边力范围使法兰不起皱、侧壁不破裂。通过对侧壁起皱、成形质量的分析、实验,提出了一种基于节点第一主应变平均距离的侧壁质量评价函数,应用该方法对变压边力、恒定压边力进行分析,得出的结论与实验结果吻合较好。由此可以得到法兰不起皱、侧壁不破裂、侧壁质量较优的一条变压边力曲线,这为压边力智能化预测实现实时控制提供了理论依据。通过对神经网络算法的分析确定了压边力预测的模型,通过研究输入输出的方式、算法的选择、隐层及点数目、泛化结果影响等确定了盒形件拉深智能化中实时预测问题的解决方法。实时监测和实时控制两个基本要素主要受信号采集发展水平限制,本文采用虚拟仪器控制软件LabVIEW、相关数据采集卡等硬件,建立了便携式数据采集系统。在该系统上开发了信号采集和传感器标定等程序,获得了令人满意的信号监测与控制的速度和精度。利用控制软件LabVIEW提供的Matlab Script节点,开发了信号控制程序和压边力预测模型接口程序,解决了智能拉深过程中的压边力的实时预测和实时控制关键技术问题,完成了盒形件拉深智能化控制所需的模块。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 板材拉深成形智能化研究现状及国内外发展趋势
• 1.2.1 拉深成形智能化的研究
• 1.2.2 筒形件拉深过程自适应控制
• 1.2.3 轴对称件拉深过程的智能化
• 1.2.4 自适应模糊控制系统的发展
• 1.2.5 板材成形智能传感与控制系统的研究
• 1.3 选题意义及主要研究内容
• 第2章 盒形件拉深成形的三维有限元分析
• 2.1 引言
• 2.2 算法的选择
• 2.2.1 材料模型的选择
• 2.2.2 单元类型的选择
• 2.2.3 接触分析
• 2.3 盒形件拉深成形的数值模拟
• 2.3.1 几何模型
• 2.3.2 模拟结果分析
• 2.3.3 模拟结果的实验验证
• 2.4 本章小结
• 第3章 盒形件失稳的临界条件
• 3.1 引言
• 3.2 恒定压边力下的法兰皱曲临界条件
• 3.2.1 关于板材皱曲的C-B 准则
• 3.2.2 基于C-B 准则的法兰皱曲判据假设
• 3.2.3 法兰皱曲的临界压边力
• 3.2.4 实验确定皱曲临界值的方法
• 3.3 侧壁破裂的临界条件
• 3.3.1 金属板材的成形极限图
• 3.3.2 破裂失稳的临界压边力
• 3.3.3 实验确定侧壁破裂临界值的方法
• 3.4 侧壁起皱的初探
• 3.5 本章小结
• 第4章 盒形件拉深成形压边力的控制规律
• 4.1 引言
• 4.2 压边力的取值范围
• 4.3 侧壁质量评价函数
• 4.4 恒定压边力控制规律
• 4.5 变压边力控制规律
• 4.6 恒定压边力与变压边力的比较
• 4.7 获得较优压边力的方法
• 4.8 本章小结
• 第5章 盒形件智能拉深过程中压边力的预测
• 5.1 人工神经网络技术简介
• 5.2 神经网络技术在塑性加工领域中的应用
• 5.3 盒形件拉深智能化控制中压边力的预测模型
• 5.3.1 输入输出层设计
• 5.3.2 隐层数目和隐层节点数的选取
• 5.3.3 神经网络算法的选取
• 5.4 编程语言的选择
• 5.5 样本数据的获得
• 5.5.1 正交试验简介
• 5.5.2 变量正交表
• 5.5.3 样本数据的获得
• 5.6 样本处理
• 5.6.1 直接输入输出
• 5.6.2 输入输出向量归一化
• 5.7 网络的泛化能力
• 5.7.1 样本数据的影响
• 5.7.2 隐层节点数目、训练方法的影响
• 5.8 网络的容错能力
• 5.9 本章小结
• 第6章 盒形件智能拉深实验系统
• 6.1 轴对称件智能拉深实验系统
• 6.2 盒形件智能拉深实验系统
• 6.3 基于LABVIEW 的数据采集系统
• 6.4 传感器的标定和数据处理
• 6.5 拉深过程中的参数实时识别和压边力规律实时预测
• 6.6 盒形件智能化拉深解决方案
• 6.7 本章小结
• 结论
• 参考文献
• 攻读博士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介